CN114420307A - 基于人工智能的公共卫生事件登记方法、装置及电子设备 - Google Patents
基于人工智能的公共卫生事件登记方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114420307A CN114420307A CN202210073907.5A CN202210073907A CN114420307A CN 114420307 A CN114420307 A CN 114420307A CN 202210073907 A CN202210073907 A CN 202210073907A CN 114420307 A CN114420307 A CN 114420307A
- Authority
- CN
- China
- Prior art keywords
- event
- registered
- data
- target
- truth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005180 public health Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000013481 data capture Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种基于人工智能的公共卫生事件登记方法、电子设备及存储介质,包括:在获取待登记事件的上报数据后,根据上报数据中的上报者身份信息确定该待登记事件的第一真实性系数;以及,根据事件描述信息和卷积模型,确定待登记事件对应的事件特征向量并确定对应的目标分类概率,从而基于该目标分类概率确定该待登记事件对应的第二真实性系数;之后,根据该第一真实性系数和第二真实性系数,确定待登记事件的真实度,在该真实度大于第一预设阈值时,对该待登记事件进行登记。本申请实施例能够准确地实现公共卫生事件登记。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的公共卫生事件登记方法、装置及电子设备。
背景技术
突发公共卫生事件,是指突然发生,造成或者可能造成社会公众健康严重损害的重大传染病疫情、群体性不明原因疾病、重大食物和职业中毒以及其他严重影响公众健康的事件。目前,突发公共卫生事件通常由人工进行监测和登记,这种方式需要耗费大量的人力成本,并且准确性和效率较低。
发明内容
有鉴于此,本申请实施例提供了一种基于人工智能的公共卫生事件登记方法、装置及电子设备,以解决现有技术中如何准确地登记公共卫生事件的问题。
本申请实施例的第一方面提供了一种基于人工智能的公共卫生事件登记方法,包括:
获取待登记事件的上报数据,所述上报数据包括上报者身份信息和事件描述信息;
根据所述上报者身份信息,确定所述待登记事件对应的第一真实性系数;
将所述事件描述信息输入卷积模型的特征提取层进行处理,得到所述待登记事件对应的事件特征向量;
将所述事件特征向量输入所述卷积模型的分类器进行处理,得到所述待登记事件对应的目标分类概率;
根据所述目标分类概率,确定所述待登记事件对应的第二真实性系数;
根据所述第一真实性系数和所述第二真实性系数,确定所述待登记事件的真实度;
若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件。
可选地,所述获取待登记事件的上报数据,包括:
在预设网站上进行数据抓取,得到待登记事件的上报数据。
可选地,所述获取待登记事件的上报数据,包括:
监测目标接诊单位的接诊数据;
若所述接诊数据中的接诊病人数量大于第二预设阈值,则根据所述目标接诊单位的目标标识信息生成当前的上报者身份信息,以及根据所述接诊数据生成当前的事件描述信息;
根据所述当前的上报者身份信息和所述当前的事件描述信息,组合得到当前待登记事件的上报数据。
可选地,所述若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件,包括:
若所述真实度大于第一预设阈值,则查询预存事件登记数据中是否存在目标已登记事件;其中,所述目标已登记事件的数据与所述上报数据的相似度大于第二预设阈值;
若存在所述目标已登记事件,则将所述上报数据与所述目标已登记事件的数据关联,更新所述预存事件登记数据中所述目标已登记事件的数据。
可选地,在所述若所述真实度大于第一预设阈值,则查询预存事件登记数据中是否存在目标已登记事件之后,还包括:
若不存在所述目标已登记事件,则将所述上报数据上传至预设审批终端;
若获取到所述预设审批终端返回的确认数据,则将所述上报数据登记至所述预存事件登记数据中。
可选地,所述预存事件登记数据包括各个已登记事件分别对应的各个第一图数据,对应地,所述查询预存事件登记数据中是否存在目标已登记事件,包括:
分别将各个所述第一图数据输入预设的图卷积网络进行处理,得到各个所述第一图数据分别对应的第一融合特征矩阵;
根据所述上报数据,构建所述待登记事件对应的第二图数据;
将所述第二图数据输入所述图卷积网络进行处理,得到所述第二图数据对应的第二融合特征矩阵;
分别计算所述第二融合特征矩阵与各个所述第一融合特征矩阵的余弦相似度,并根据各个所述余弦相似度确定所述预存事件登记数据中是否存在所述目标已登记事件。
可选地,所述方法还包括:
根据所述预存事件登记数据,确定各个已登记事件所涉及的人员数量和/或地区信息;
根据各个所述已登记事件所涉及的人员数量和/或地区信息,确定各个所述已登记事件的公共卫生事件级别。
本申请实施例的第二方面提供了一种基于人工智能的公共卫生事件登记装置,包括:
上报数据获取单元,用于获取待登记事件的上报数据,所述上报数据包括上报者身份信息和事件描述信息;
第一真实性系数确定单元,用于根据所述上报者身份信息,确定所述待登记事件对应的第一真实性系数;
事件特征向量确定单元,用于将所述事件描述信息输入卷积模型的特征提取层进行处理,得到所述待登记事件对应的事件特征向量;
目标分类概率确定单元,用于;将所述事件特征向量输入所述卷积模型的分类器进行处理,得到所述待登记事件对应的目标分类概率;
第二真实性系数确定单元,用于根据所述目标分类概率,确定所述待登记事件对应的第二真实性系数;
真实度确定单元,用于根据所述第一真实性系数和所述第二真实性系数,确定所述待登记事件的真实度;
登记单元,用于若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件。
本申请实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在电子设备上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面提供的基于人工智能的公共卫生事件登记方法的各步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面提供的基于人工智能的公共卫生事件登记方法的各步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项所述的基于人工智能的公共卫生事件登记方法的步骤。
实施本申请实施例提供的基于人工智能的公共卫生事件登记方法、装置、电子设备及计算机可读存储介质具有以下有益效果:本申请实施例中,在获取待登记事件的上报数据后,根据上报数据中的上报者身份信息确定该待登记事件的第一真实性系数;以及,根据事件描述信息和卷积模型,确定待登记事件对应的事件特征向量并确定对应的目标分类概率,从而基于该目标分类概率确定该待登记事件对应的第二真实性系数;之后,根据该第一真实性系数和第二真实性系数,确定待登记事件的真实度,在该真实度大于第一预设阈值时,对该待登记事件进行登记。由于能够基于待登记事件的上报者身份信息确定该待登记事件的第一真实性系数,基于能够反映待登记事件特征的事件特征向量确定该待登记事件的第二真实性系数,使得基于这两个真实性系数确定的真实度能够准确地反映待登记事件的真实性;当该真实度满足大于或者等于第一预设阈值的条件时,再根据自动该上报数据对待登记事件进行登记,能够保证最终登记的事件的真实性,从而提高公共卫生事件登记的准确性和效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于人工智能的公共卫生事件登记方法的实现流程图;
图2是本申请实施例提供的一种基于人工智能的公共卫生事件装置的结构框图;
图3是本申请实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,突发公共卫生事件通常由人工进行监测和登记,这种方式需要耗费大量的人力成本,并且准确性和效率较低。
为了解决上述的技术问题,本申请实施例提供了一种基于人工智能的公共卫生事件登记方法、装置、电子设备及存储介质,包括:获取待登记事件的上报数据,所述上报数据包括上报者身份信息和事件描述信息;根据所述上报者身份信息,确定所述待登记事件对应的第一真实性系数;将所述事件描述信息输入卷积模型的特征提取层进行处理,得到所述待登记事件对应的事件特征向量;将所述事件特征向量输入所述卷积模型的分类器进行处理,得到所述待登记事件对应的目标分类概率;根据所述目标分类概率,确定所述待登记事件对应的第二真实性系数;根据所述第一真实性系数和所述第二真实性系数,确定所述待登记事件的真实度;若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件。
由于能够基于待登记事件的上报者身份信息确定该待登记事件的第一真实性系数,基于能够反映待登记事件特征的事件特征向量确定该待登记事件的第二真实性系数,使得基于这两个真实性系数确定的真实度能够准确地反映待登记事件的真实性;当该真实度满足大于或者等于第一预设阈值的条件时,再根据自动该上报数据对待登记事件进行登记,能够保证最终登记的事件的真实性,从而提高公共卫生事件登记的准确性和效率。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在一个实施例中,本申请实施例涉及的基于基于人工智能的公共卫生事件登记方法,可以应用于智慧社区场景中,从而推动智慧城市的建设。
在一个实施例中,本申请实施例涉及的基于人工智能的公共卫生事件登记方法可以应用于智慧医疗场景中。在该场景中,设于医院的电子设备可以获取该医院的接诊数据,根据接诊数据判断是否出现突发的集中病例的重大传染病、群体性不明原因疾病等。若出现前述的情况,则以这些突发情况相对应的接诊数据作为待登记事件的上报数据,通过本申请实施例的基于人工智能的公共卫生事件登记方法,及时准确地实现公共卫生事件登记。
实施例一:
请参阅图1,图1示出了本申请实施例提供的一种基于人工智能的公共卫生事件登记方法的实现流程图,该方法的执行主体为电子设备,该电子设备包括但不限于智能手机、平板电脑、笔记本、台式电脑等。如图1所示的基于人工智能的公共卫生事件登记方法详述如下:
在S101中,获取待登记事件的上报数据,所述上报数据包括上报者身份信息和事件描述信息。
本申请实施例中,待登记事件为市民、网民、社区网格员、哨点值班人员等上报者发现的疑似突发公共卫生事件。上报数据为上报者上报的与该待登记事件相关的数据,该上报数据可以包括上报者身份信息和该待登记事件的事件描述信息。其中,上报者身份信息可以包括上报者的名字、身份类型、职业、工作单位、工号中的任意一项或者多项。事件描述信息可以包括该待登记事件的事件名称、发生地点、涉及人员规模、人员症状等信息中的任意一项或者多项。
在S102中,根据所述上报者身份信息,确定所述待登记事件对应的第一真实性系数。
本申请实施例中,对于不同身份的上报者,其上报的待登记事件的可信度不同,该根据上报者的身份确定的可信度可以通过第一真实性系数表示。
在一个实施例中,该上报者身份信息包括上报者的名字、身份类型、职业、工作单位和工号中的任意一项或者多项。根据上报者的名字,可以确定身份系数值a;根据该身份类型,可以确定身份系数值b;根据职业信息,可以确定身份系数值c;根据工作单位信息,可以确定身份系数值d;根据工号信息,可以确定身份系数值e。之后将各个身份系数值进行相加,得到第一真实性系数r1。即,r1=a+b+c+d+e。其中,对于上报者身份信息中不存在的项,可以直接在该式子中缺省,或者直接将该项的身份系数值设为0。例如,若该上报者身份信息中不存在上报者的名字,则r1=b+c+d+e,或者直接将a=0代入r1=a+b+c+d+e中进行计算。
示例性地,根据上报者的名字,确定身份系数值a,可以包括:在预设的白名单或者黑名单列表中查询该上报者的名字;根据查询结果,确定该身份系数值a。例如,当在白名单中查询到该上报者的名字时,确定查询结果为该上报者为白名单用户,白名单用户对应的身份系数值a=10。当在黑名单中查询到该上报者的名字时,确定查询结果为该上报者为黑名单用户,黑名单用户对应的身份系数值a=-10。当在黑名单和白名单中均没有查询到该上报者的名字时,确定查询结果为该上报者为未知用户,未知用户对应的身份系数值a=0。
示例性地,根据上报者的身份类型可以包括网民、市民、社区网格员、哨点值班人员等四个身份类型,这四个身份类型分别对应的身份系数值b为10、20、30、40,其中,身份系数值越高,表示该待登记事件的真实性越高,即四种身份类型的上报者上报的数据的可信度排序为:网民<市民<社区网格员<哨点值班人员。
以此类推,对于不同的职业、工作单位、工号,均可以提前设置不同的身份系数值,从而能够根据当前上报者身份信息中的职业、工作单位、工号等信息,分别确定当前的身份系数值c、d、e。
在S103中,将所述事件描述信息输入卷积模型的特征提取层进行处理,得到所述待登记事件对应的事件特征向量;。
本申请实施例中,卷积模型为提前以历史发生的公共卫生事件的事件描述信息作为样本数据进行训练得到的卷积神经网络模型。该卷积模型包括特征提取层和分类器。
在一个实施例中该特征提取层依次包括:第一卷积层、第二卷积层、第三卷积层、局部响应归一化层(Local Response Normalization,LRN)、最大池化层(max pooling)、第四卷积层、第五卷积层和平均池化层(mean pooling)和全连接层,在各层卷积层中具体可以以线性整流函数(Rectified Linear Unit,ReLU)作为激活函数。具体地,从上报数据中解析出事件描述信息后,将该事件描述信息输入该特征提取层的第一卷积层、第二卷积层、第三卷积层进行卷积处理,得到第一特征矩阵;将该第一特征矩阵输入LRN层进行处理,得到第二特征矩阵。将该第二特征矩阵接着输入最大池化层进行池化处理,以及通过第四卷积层、第五卷积层进行卷积处理,得到第三特征矩阵。之后将该第三特征矩阵输入最大平均池化层进行平均池化处理,并通过全连接层进行维度转换,得到事件特征向量。通过多层卷积结构,能够保证网络能够更准确地提取事件描述信息的特征,得到准确的事件特征向量;并且,由于LRN层能够为局部神经元的活动创建竞争机制,因此使得响应较大的值变得相对更大,并抑制其他反馈较小的神经元,增强了模型的泛化能力;另外,通过最大池化和平均池化相结合的方式,能够降低矩阵维度,简化网络复杂度,减小计算量,提高事件特征向量提取效率。
在S104中,将所述事件特征向量输入所述卷积模型的分类器进行处理,得到所述待登记事件对应的目标分类概率。
本申请实施例中,卷积模型中的分类器可以为训练得到的softmax分类器(一种逻辑回归分类器)、支持向量机(support vector machine,SVM)分类器等。该分类器至少包括两个大的分类类别,分别为表示事件为突发公共卫生事件的分类类别1,以及表示事件为非突发公共卫生事件的分类类别2。本申请实施例的目标分类概率,可以为将该事件特征向量判定为分类类别1的概率,即将该待登记事件归类了突发公共卫生事件的概率。
在S105中,根据所述目标分类概率,确定所述待登记事件对应的第二真实性系数。
在一个实施例中,可以直接以该目标分类概率作为第二真实性系数。在另一个实施例中,可以将该目标分类概率乘以预设倍数得到的值作为第二真实系数r2的值。示例性地,该目标分类概率可以为0.7,预设倍数可以为100,则该第二真实系数r2=0.7*100=70。
在S106中,根据所述第一真实性系数和所述第二真实性系数,确定所述待登记事件的真实度。
在一个实施例中,确定第一真实系数r1和第二真实性系数r2后,可以将该第一真实性系数r2和第二真实性系数r2相加得到的值作为待登记事件的真实度R。即:R=r1+r2。
在另一个实施例中,可以将第一真实系数r1和第二真实性系数r2进行加权运算得到的值。示例性地,第一真实系数r1对应的权值为w1,第二真实性系数r2对应的权值为w2,则:R=w1*r1+w2*r2。
在S107中,若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件。
在确定待登记事件的真实度后,将该真实度与第一预设阈值进行比较。若该真实度大于或者等于第一预设阈值,则说明该待登记事件的真实度较高,判定该待登记事件的真实性通过验证,此时,根据上报数据进行该待登记事件的登记。在一个实施例中,根据上报数据进行待登记事件的登记,可以包括:将该上报数据按照预设数据格式,记录至预设的突发公共卫生事件登记表中。
相反地,若所述真实度小于第一预设阈值,则说明该待登记事件的真实度、可信度较低,此时判定该待登记事件的真实性无法通过验证,当前不对该待登记事件进行登记。在一个实施例中,当真实度小于第一预设阈值时,还可以发出预设的真实性警报信息,以提示相关工作人员进一步对该待登记事件进行人工审核。
本申请实施例中,在获取待登记事件的上报数据后,根据上报数据中的上报者身份信息确定该待登记事件的第一真实性系数;以及,根据事件描述信息和卷积模型,确定待登记事件对应的事件特征向量并确定对应的目标分类概率,从而基于该目标分类概率确定该待登记事件对应的第二真实性系数;之后,根据该第一真实性系数和第二真实性系数,确定待登记事件的真实度,在该真实度大于第一预设阈值时,对该待登记事件进行登记。由于能够基于待登记事件的上报者身份信息确定该待登记事件的第一真实性系数,基于能够反映待登记事件特征的事件特征向量确定该待登记事件的第二真实性系数,使得基于这两个真实性系数确定的真实度能够准确地反映待登记事件的真实性;当该真实度满足大于或者等于第一预设阈值的条件时,再根据自动该上报数据对待登记事件进行登记,能够保证最终登记的事件的真实性,从而提高公共卫生事件登记的准确性和效率。
可选地,所述获取待登记事件的上报数据,包括:
在预设网站上进行数据抓取,得到待登记事件的上报数据。
本申请实施例中,预设网站可以包括论坛、贴吧、微博等网站。在一个实施例中,可以根据预设的网址地信息和预设的事件关键词通过网络爬虫工具进行数据抓取,得到携带事件关键词的文本数据。示例性地,该事件关键词可以包括:“传染病”、“中毒”、“高烧”、“肺炎”、“病毒”、“禽流感”“疫情”、“鼠疫”等关键词。
在得到携带事件关键词的文本数据后,根据该文本数据确定待登记事件的上报数据。在一个实施例中,以“某某网站用户”或者该用户在预设网站中的用户名作为上报者身份信息。在一个实施例中,可以将该文本数据输入预设的文本神经网络中进行摘要提取处理,得到该文本数据的摘要信息作为当前待登记事件的事件描述信息,该事件描述信息与上报者身份信息组合得到上报数据。示例性地,该文本神经网络可以为基于注意力机制的双向循环神经网络(Bidirectional Recurrent Neural Network,BRNN)。通过BRNN对目标信息进行摘要提取,能够同时分析目标信息的上下文两个方向的信息关联,从而提高摘要提取的准确度。同时,在BRNN网络中增加注意力机制,使得在处理数据时对目标信息序列中每一数据具有不同的权重,从而能够在进行摘要提取时侧重权重较高的数据,进一步提高事件描述信息的准确度。
本申请实施例中,通过数据抓取的方式,能够自动灵活地在网络上获取待登记事件的上报数据,提高公共卫生事件登记的灵活性和及时性。
可选地,所述获取待登记事件的上报数据,包括:
监测目标接诊单位的接诊数据;
若所述接诊数据中的接诊病人数量大于第二预设阈值,则根据所述目标接诊单位的目标标识信息生成当前的上报者身份信息,以及根据所述接诊数据生成当前的事件描述信息;
根据所述当前的上报者身份信息和所述当前的事件描述信息,组合得到当前待登记事件的上报数据。
本申请实施例中,目标接诊单位可以包括医院、社区卫生工作站等。电子设备能够与目标接诊单位的服务器进行通信,获取目标接诊单位的接诊数据。该接诊数据可以包括接诊病人数量、身份、症状信息等。
当接诊数据中的接诊病人数量大于第二预设阈值,即当前接诊病人数量突增,偏离正常范围,说明当前存在疑似的突发公共卫生事件。此时,根据当前的目标接诊单位的目标标识信息和该接诊数据,生成待登记事件的上报数据。其中,目标接诊单位的目标标识信息可以作为当前的上报者身份信息,该目标标识信息可以包括该目标接诊单位的单位标识号、名称信息、单位负责人姓名等信息中的任意一项或者多项。而接诊数据中,可以将接诊病人的数量和症状信息进行组合,生成当前的事件描述信息。之后,将该上报者身份信息和该事件描述信息进行组合,即可生成当前待登记事件的上报数据。
通过该方法,能够自动监测接诊单位的接诊数据,在出现接诊病人突增的情况时自动进行事件上报,提高突发公共卫生事件登记的及时性。
可选地,所述若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件,包括:
若所述真实度大于第一预设阈值,则查询预存事件登记数据中是否存在目标已登记事件;其中,所述目标已登记事件的数据与所述上报数据的相似度大于第二预设阈值;
若存在所述目标已登记事件,则将所述上报数据与所述目标已登记事件的数据关联,更新所述预存事件登记数据中所述目标已登记事件的数据。
本申请实施例中,预存事件登记数据中存储了各个已登记事件的信息。在确定当前的待登记事件的真实度大于第一预设阈值后,从预存事件登记数据中查询是否存在与该待登记事件的上报数据的相似度大于第二预设阈值的目标已登记事件。在一个实施例中根据通过神经网络的处理得到待登记事件的上报数据对应的特征向量(称为待登记特征向量),并将该待登记特征向量分别与各个已登记事件对应的特征向量进行余弦相似度计算,从而确定待登记事件的上报数据与各个已登记事件的相似度。
若查询确定预存登记数据中存在与该待登记事件的上报数据的相似度大于第二预设阈值的目标已登记事件,则将该上报数据与该目标已登记事件关联,即将该上报数据作为该目标已登记事件的新增补充数据,更新预存事件登记数据中记录的目标已登记事件的数据,使得目标已登记事件的数据更加完善。
本申请实施例中,对于存在对应的目标已登记事件的待登记事件,即属于重复上报的待登记事件,能够将该上报数据与目标已登记事件的数据进行关联,从而在避免事件重复登记的同时,完善预存事件登记数据中的已登记事件的多维度信息,进一步完善公共卫生事件的登记,提高登记信息的准确性和完整性。
可选地,在所述若所述真实度大于第一预设阈值,则查询预存事件登记数据中是否存在目标已登记事件之后,还包括:
若不存在目标已登记事件,则将所述上报数据上传至预设审批终端;
若获取到所述预设审批终端返回的确认数据,则将所述上报数据登记至所述预存事件登记数据中。
本申请实施例中,若查询确定预存登记数据中不存在与该待登记事件的上报数据的相似度大于第二预设阈值的目标已登记事件,则说明当前待登记事件为尚未登记过的事件,此时,将该待登记事件对应的上报数据上传至预设审批终端。该预设审批终端可以为卫生单位工作人员持有的用于审批登记事件的终端。将该待上报数据上传至预设审批终端后,卫生单位工作人员根据该上报数据的真实性以及该待登记事件的严重程度,确认是否需要该待登记事件进行上报。如果是,则向电子设备返回确认数据。
当电子设备接收到预设审批终端返回的确认数据时,确认当前的待登记事件需要进行登记,将该待登记事件的上报数据按照预设的记录格式登记至预存时间登记数据中,从而完成该目标已登记事件的登记。
本申请实施例中,由于在确定不存目标已登记事件时,进一步通过与预设审批终端的交互,确认当前的待登记事件是否需要上报,从而能够进一步保证事件登记的准确性。
可选地,所述预存事件登记数据包括各个已登记事件分别对应的各个第一图数据,对应地,所述查询预存事件登记数据中是否存在目标已登记事件,包括:
分别将各个所述第一图数据输入预设的图卷积网络进行处理,得到各个所述第一图数据分别对应的第一融合特征矩阵;
根据所述上报数据,构建所述待登记事件对应的第二图数据;
将所述第二图数据输入所述图卷积网络进行处理,得到所述第二图数据对应的第二融合特征矩阵;
分别计算所述第二融合特征矩阵与各个所述第一融合特征矩阵的余弦相似度,并根据各个所述余弦相似度确定所述预存事件登记数据中是否存在所述目标已登记事件。
本申请实施例中,对于每个事件,均可以根据包含该事件的多维度信息的数据构建该事件对应的图数据,该图数据中的每一个节点即对应一个维度的信息。对于预存事件登记数据中的每个已登记事件,均可以通过对应的第一图数据来存储其数据内容。
对于预存时间登记数据中各个已登记事件分别对应的第一图数据,可以将其输入预设的图卷积网络进行处理,得到各个第一图数据分别对应的第一融合特征矩阵。
对于当前的待登记事件,可以根据其上报数据中的事件描述信息,解析得到各个维度的信息(例如事件名称、发生地点、涉及人员规模、人员症状等各个不同的信息),并为每个维度的信息设定一个对应的节点,从而构建得到待登记事件对应的第二图数据。之后,将该第二图数据同样输入预设的图卷积网络进行处理,得到该第二图数据对应的第二融合特征矩阵。
示例性地,该图卷积网络包含第一图卷积层和第二图卷积层,该图卷积网络对图数据(第一图数据或者第二图数据)的处理过程如下:
(1)确定待处理的图数据的节点特征矩阵X和邻接矩阵A;
(2)将节点特征矩阵X和邻接矩阵A输入第一图卷积层中进行初步的图卷积处理,得到第一矩阵H1。第一图卷积层的处理可以用如下公式表示:
(3)将第一矩阵H1输入第二图卷积层再次进行图卷积处理,得到该图数据对应的节点融合特征矩阵Z。第二图卷积层的处理可以用如下公式表示:
其中,W1为经过学习训练确定的第二子图卷积层的权重参数。
在通过图卷积网络得到上述的第一融合特征矩阵和第二融合特征矩阵后,分别计算该第二融合特征矩阵与各个第一融合特征矩阵分别对应的余弦相似度。之后,通过将该余弦相似度与第二预设阈值进行比较结果,确定是否存在与该第二融合特征矩阵相似度大于第二预设阈值的第一融合特征矩阵。若存在,则将该第一融合特征矩阵对应的已登记事件确定为目标已登记事件。则确定该预存事件登记数据中不存在目标已登记事件。
本申请实施例中,由于能够通过图卷积网络准确地提取待登记事件和已登记事件的特征矩阵,从而能够准确地时间实现待登记事件与已登记事件的比对,准确地确定是否存在目标已登记事件,从而提高公共卫生事件登记的准确性。
可选地,所述方法还包括:
根据所述预存事件登记数据,确定各个已登记事件所涉及的人员数量和/或地区信息;
根据各个所述已登记事件所涉及的人员数量和/或地区信息,确定各个所述已登记事件的公共卫生事件级别。
本申请实施例中,对于预存事件登记数据中的每个已登记事件,可以在该已登记事件刚登记后,或者在每次根据与其相似度大于第二预设阈值的上报数据更新该已登记事件的数据后,根据该已登记事件的数据确定该已登记事件所涉及的人员数量和地区信息。
之后,对于每个已登记事件,可以根据已登记事件涉及的人员数量和地区信息,确定该已登记事件的公共卫生事件级别。在一个实施例中,地区信息可以包括涉及的城市数量和城市类型(大、中、小城市),确定地区指标。例如地区指标其中N为城市数量,Li为根据第i个城市的城市类型确定的该第i个城市的城市指标值。
示例性地,公共卫生事件可划分为特别重大(Ⅰ级)、重大(Ⅱ级)、较大(Ⅲ级)和一般(Ⅳ级)四级。当人员数量小于于第一预设人员阈值和/或地区指标小于第一预设指标阈值,则确定该已登记事件的公共卫生事件级别为Ⅳ级;当人员数量处于第一预设人员阈值和第二预设人员阈值之间(包括第一预设人员阈值但不包括第二预设人员阈值)和/或地区指标处于第一预设指标阈值和第二预设指标阈值之间(包括第一预设指标阈值但不包括第二预设指标阈值),则确定该已登记事件的公共卫生事件级别为Ⅲ级;当人员数量处于第二预设人员阈值和第三预设人员阈值之间(包括第二预设人员阈值但不包括第三预设人员阈值)和/或地区指标处于第二预设指标阈值和第三预设指标阈值之间(包括第二预设指标阈值但不包括第三预设指标阈值),则确定该已登记事件的公共卫生事件级别为Ⅱ级;当人员数量大于或者等于第三预设人员阈值,和/或,地区指标大于或者等于第三预设指标阈值,则确定该已登记事件的公共卫生事件级别为Ⅰ级。其中,第一预设人员阈值<第二预设人员阈值<第三预设人员阈值;第一预设指标阈值<第二预设指标阈值<第三预设指标阈值。
在一个实施例中,当已登记事件的公共卫生事件级别大于预设级别时,发出警报信息以提醒相关人员采取防范或者处理措施。
本申请实施例中,由于能够根据各个已登记事件涉及的人员数量和/或地区信息,准确地确定已登记事件的公共卫生事件级别,从而能够准确地为公共卫生事件进行分类,以使相关人员能够根据该公共卫生事件级别快速地确定已登记事件的严重程度。
实施例二:
图2示出了本申请实施例提供的一种基于人工智能的公共卫生事件登记装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分:
该基于人工智能的公共卫生事件登记装置包括:上报数据获取单元21、第一真实性系数确定单元22、事件特征向量确定单元23、目标分类概率确定单元24、第二真实性系数确定单元25、真实度确定单元26和登记单元27。其中:
上报数据获取单元21,用于获取待登记事件的上报数据,所述上报数据包括上报者身份信息和事件描述信息。
第一真实性系数确定单元22,用于根据所述上报者身份信息,确定所述待登记事件对应的第一真实性系数。
事件特征向量确定单元23,用于将所述事件描述信息输入卷积模型的特征提取层进行处理,得到所述待登记事件对应的事件特征向量。
目标分类概率确定单元24,用于;将所述事件特征向量输入所述卷积模型的分类器进行处理,得到所述待登记事件对应的目标分类概率。
第二真实性系数确定单元25,用于根据所述目标分类概率,确定所述待登记事件对应的第二真实性系数。
真实度确定单元26,用于根据所述第一真实性系数和所述第二真实性系数,确定所述待登记事件的真实度。
登记单元27,用于若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件。
可选地,所述上报数据获取单元21,具体用于在预设网站上进行数据抓取,得到待登记事件的上报数据。
可选地,所述上报数据获取单元21,具体用于监测目标接诊单位的接诊数据;若所述接诊数据中的接诊病人数量大于第二预设阈值,则根据所述目标接诊单位的目标标识信息生成当前的上报者身份信息,以及根据所述接诊数据生成当前的事件描述信息;根据所述当前的上报者身份信息和所述当前的事件描述信息,组合得到当前待登记事件的上报数据。
可选地。所述登记单元27,包括:
查询模块,用于若所述真实度大于第一预设阈值,则查询预存事件登记数据中是否存在目标已登记事件;其中,所述目标已登记事件的数据与所述上报数据的相似度大于第二预设阈值;
第一登记模块,用于若存在所述目标已登记事件,则将所述上报数据与所述目标已登记事件的数据关联,更新所述预存事件登记数据中所述目标已登记事件的数据。
可选地,所述登记单元27,还包括:
第二登记模块,用于若不存在所述目标已登记事件,则将所述上报数据上传至预设审批终端;若获取到所述预设审批终端返回的确认数据,则将所述上报数据登记至所述预存事件登记数据中。
可选地,所述预存事件登记数据包括各个已登记事件分别对应的各个第一图数据,所述查询模块,具体用于分别将各个所述第一图数据输入预设的图卷积网络进行处理,得到各个所述第一图数据分别对应的第一融合特征矩阵;根据所述上报数据,构建所述待登记事件对应的第二图数据;将所述第二图数据输入所述图卷积网络进行处理,得到所述第二图数据对应的第二融合特征矩阵;分别计算所述第二融合特征矩阵与各个所述第一融合特征矩阵的余弦相似度,并根据各个所述余弦相似度确定所述预存事件登记数据中是否存在所述目标已登记事件。
可选地,所述基于人工智能的公共卫生事件登记装置,还包括:
级别确定单元,用于根据所述预存事件登记数据,确定各个已登记事件所涉及的人员数量和/或地区信息;根据各个所述已登记事件所涉及的人员数量和/或地区信息,确定各个所述已登记事件的公共卫生事件级别。
应当理解的是,图2示出的基于人工智能的公共卫生事件登记装置的结构框图中,各单元用于执行图1对应的实施例中的各步骤,而对于图1对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图1以及图1所对应的实施例中的相关描述,此处不再赘述。
实施例三:
图3是本申请另一实施例提供的一种电子设备的结构框图。如图3所示,该实施例的电子设备30包括:处理器31、存储器32以及存储在所述存储器32中并可在所述处理器31上运行的计算机程序33,例如基于人工智能的公共卫生事件登记方法的程序。处理器31执行所述计算机程序33时实现上述各个基于人工智能的公共卫生事件登记方法各实施例中的步骤,例如图1所示的S101至S107。或者,所述处理器31执行所述计算机程序33时实现上述图2对应的实施例中各单元的功能,例如,图2所示的上报数据获取单元21至登记单元27的功能,具体请参阅图2对应的实施例中的相关描述,此处不赘述。
示例性的,所述计算机程序33可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器32中,并由所述处理器31执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序33在所述电子设备30中的执行过程。
所述电子设备30可以是桌上型计算机、笔记本、掌上电脑等计算设备。所述电子设备可包括,但不仅限于,处理器31、存储器32。本领域技术人员可以理解,图3仅仅是电子设备30的示例,并不构成对电子设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器31可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器32可以是所述电子设备30的内部存储单元,例如电子设备30的硬盘或内存。所述存储器32也可以是所述电子设备30的外部存储设备,例如所述电子设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器32还可以既包括所述电子设备30的内部存储单元也包括外部存储设备。所述存储器32用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器32还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的公共卫生事件登记方法,其特征在于,包括:
获取待登记事件的上报数据,所述上报数据包括上报者身份信息和事件描述信息;
根据所述上报者身份信息,确定所述待登记事件对应的第一真实性系数;
将所述事件描述信息输入卷积模型的特征提取层进行处理,得到所述待登记事件对应的事件特征向量;
将所述事件特征向量输入所述卷积模型的分类器进行处理,得到所述待登记事件对应的目标分类概率;
根据所述目标分类概率,确定所述待登记事件对应的第二真实性系数;
根据所述第一真实性系数和所述第二真实性系数,确定所述待登记事件的真实度;
若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件。
2.如权利要求1所述的基于人工智能的公共卫生事件登记方法,其特征在于,所述获取待登记事件的上报数据,包括:
在预设网站上进行数据抓取,得到待登记事件的上报数据。
3.如权利要求1所述的基于人工智能的公共卫生事件登记方法,其特征在于,所述获取待登记事件的上报数据,包括:
监测目标接诊单位的接诊数据;
若所述接诊数据中的接诊病人数量大于第二预设阈值,则根据所述目标接诊单位的目标标识信息生成当前的上报者身份信息,以及根据所述接诊数据生成当前的事件描述信息;
根据所述当前的上报者身份信息和所述当前的事件描述信息,组合得到当前待登记事件的上报数据。
4.如权利要求1至3任意一项所述的基于人工智能的公共卫生事件登记方法,其特征在于,所述若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件,包括:
若所述真实度大于第一预设阈值,则查询预存事件登记数据中是否存在目标已登记事件;其中,所述目标已登记事件的数据与所述上报数据的相似度大于第二预设阈值;
若存在所述目标已登记事件,则将所述上报数据与所述目标已登记事件的数据关联,更新所述预存事件登记数据中所述目标已登记事件的数据。
5.如权利要求4所述的基于人工智能的公共卫生事件登记方法,其特征在于,在所述若所述真实度大于第一预设阈值,则查询预存事件登记数据中是否存在目标已登记事件之后,还包括:
若不存在所述目标已登记事件,则将所述上报数据上传至预设审批终端;
若获取到所述预设审批终端返回的确认数据,则将所述上报数据登记至所述预存事件登记数据中。
6.如权利要求4所述的基于人工智能的公共卫生事件登记方法,其特征在于,所述预存事件登记数据包括各个已登记事件分别对应的各个第一图数据,对应地,所述查询预存事件登记数据中是否存在目标已登记事件,包括:
分别将各个所述第一图数据输入预设的图卷积网络进行处理,得到各个所述第一图数据分别对应的第一融合特征矩阵;
根据所述上报数据,构建所述待登记事件对应的第二图数据;
将所述第二图数据输入所述图卷积网络进行处理,得到所述第二图数据对应的第二融合特征矩阵;
分别计算所述第二融合特征矩阵与各个所述第一融合特征矩阵的余弦相似度,并根据各个所述余弦相似度确定所述预存事件登记数据中是否存在所述目标已登记事件。
7.如权利要求4所述的基于人工智能的公共卫生事件登记方法,其特征在于,所述方法还包括:
根据所述预存事件登记数据,确定各个已登记事件所涉及的人员数量和/或地区信息;
根据各个所述已登记事件所涉及的人员数量和/或地区信息,确定各个所述已登记事件的公共卫生事件级别。
8.一种基于人工智能的公共卫生事件登记装置,其特征在于,包括:
上报数据获取单元,用于获取待登记事件的上报数据,所述上报数据包括上报者身份信息和事件描述信息;
第一真实性系数确定单元,用于根据所述上报者身份信息,确定所述待登记事件对应的第一真实性系数;
事件特征向量确定单元,用于将所述事件描述信息输入卷积模型的特征提取层进行处理,得到所述待登记事件对应的事件特征向量;
目标分类概率确定单元,用于;将所述事件特征向量输入所述卷积模型的分类器进行处理,得到所述待登记事件对应的目标分类概率;
第二真实性系数确定单元,用于根据所述目标分类概率,确定所述待登记事件对应的第二真实性系数;
真实度确定单元,用于根据所述第一真实性系数和所述第二真实性系数,确定所述待登记事件的真实度;
登记单元,用于若所述真实度大于或者等于第一预设阈值,则根据所述上报数据登记所述待登记事件。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210073907.5A CN114420307A (zh) | 2022-01-21 | 2022-01-21 | 基于人工智能的公共卫生事件登记方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210073907.5A CN114420307A (zh) | 2022-01-21 | 2022-01-21 | 基于人工智能的公共卫生事件登记方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114420307A true CN114420307A (zh) | 2022-04-29 |
Family
ID=81274636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210073907.5A Pending CN114420307A (zh) | 2022-01-21 | 2022-01-21 | 基于人工智能的公共卫生事件登记方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114420307A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070879A (zh) * | 2023-02-27 | 2023-05-05 | 北京时代凌宇数字技术有限公司 | 城市管理事件的派发方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-21 CN CN202210073907.5A patent/CN114420307A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070879A (zh) * | 2023-02-27 | 2023-05-05 | 北京时代凌宇数字技术有限公司 | 城市管理事件的派发方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184554A1 (zh) | 数据库异常监测方法、装置、计算机装置及存储介质 | |
WO2021068601A1 (zh) | 病历检测方法、装置、设备及存储介质 | |
McElwee et al. | Deep learning for prioritizing and responding to intrusion detection alerts | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
Yang et al. | Autoregressive coefficient-invariant control chart pattern recognition in autocorrelated manufacturing processes using neural network ensemble | |
CN111506723A (zh) | 问答响应方法、装置、设备及存储介质 | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN116503399A (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN114420307A (zh) | 基于人工智能的公共卫生事件登记方法、装置及电子设备 | |
CN115296933A (zh) | 一种工业生产数据风险等级评估方法及系统 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
Amorós et al. | Statistical methods for detecting the onset of influenza outbreaks: a review | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN113379247B (zh) | 企业安全隐患追踪模型的建模方法及系统 | |
CN115936748A (zh) | 一种商业大数据分析方法及系统 | |
CN116166999A (zh) | 异常交易数据识别方法、装置、计算机设备及存储介质 | |
CN113572628B (zh) | 数据关联方法、装置、计算设备及计算机存储介质 | |
CN110969209A (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 | |
Zhou | Design of medical equipment integrated management system based on Internet of Things | |
CN116597971B (zh) | 基于数字孪生的医院空间优化模拟方法及系统 | |
KR102554835B1 (ko) | 감염병 환자의 접촉자 추적 시스템 및 방법 | |
CN113689246B (zh) | 基于人工智能的网站监控方法、装置、电子设备及介质 | |
CN117523503B (zh) | 基于厚膜电路板的制备设备安全监控方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220929 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |